基于时频图和星座图融合的调制识别方法及系统

1.本发明属于信号识别技术领域，具体涉及一种基于时频图和星座图融合的调制识别方法及系统。


背景技术：

2.为了提高无线通信系统的可靠性和传输效率，提出了多种不同原理不同作用的数字调制方式。数字信号调制识别的核心作用是通过判断接收信号的调制类型为对信号进行解调分析奠定基础。数字信号调制识别所需信息隐含在信号的幅度、相位和频率中，对信号进行线性或非线性变换后，可以提取出能将信号调制类型区分开的特征。再利用统计模式识别的方法对信号进行区分，该方法不需要先验信息，因此可以有效地应用于非合作通信中。
3.现有技术中，通常采用时频特征参数提取、小波变换、高阶累积量提取、快速傅里叶变换、wigner-ville分布等方法识别出调制信号的类型，但是单一特征信息不足，具有识别范围和识别率方面的局限性。
4.此外，现有技术中还提出利用图像识别的方法来识别信号，但目前这类方法依然存在着很多不足，比如时频分布的图像特征对频率信息更敏感，且能识别模拟信号，但对相移键控和正交幅度调制类信号识别率低；而星座图特征对相位和幅度信息较为敏感，但却存在无法识别fsk和模拟信号的问题。


技术实现要素：

5.技术问题：本发明结合时频分布的图像特征和星座图特征的特性，提供一种基于时频图和星座图融合的调制识别方法及系统，通过将时频图特征和星座图特征融合，扩展信号的识别范围，提高信号的识别率。
6.技术方案：第一方面，本发明提供一种基于时频图和星座图融合的调制识别方法，包括：
7.接收调制信号；
8.利用第一变换对调制信号进行时频转换，得到时频图；
9.将调制信号进行下变频，通过聚类处理得到星座图；
10.将时频图送入第一神经网络，提取时频图特征，将星座图送入第二神经网络，提取星座图特征；
11.将时频图特征与星座图特征进行融合得到融合特征；
12.将融合特征送入支持向量机进行分类，输出识别结果。
13.进一步地，所述第一变换为平滑伪魏格纳威利分布、小波变化、快速傅里叶变换或gabor变换。
14.进一步地，将调制信号进行下变频，通过聚类处理得到星座图的方法为：信号通过低通滤波，然后进行希尔伯特变换；或，
15.估计信号载频，将信号进行希尔伯特变换，乘以复载波。
16.进一步地，第一神经网络和第二神经网络结构相同，均包括依次设置的第一卷积层、第一最大池化层、第一模块、第二模块、第三模块、第二卷积层和全局池化层。
17.进一步地，所述第一模块、第二模块、第三模块均为shufflenet网络的基本模块。
18.进一步地，所述将时频图特征与星座图特征进行融合得到融合特征包括：
19.时频图特征表示为1
×
1024图像特征向量，星座图特征表示为1
×
1024图像特征向量，将两个1
×
1024图像特征向量进行融合，得到1
×
2048的融合特征向量。
20.进一步地，所述调制信号包括bpsk、qpsk、16qam、32qam、2ask、4ask、2fsk、4fsk、am-ssb和fm。
21.进一步地，将融合特征送入支持向量机进行分类，输出识别结果，其中，支持向量机的惩罚措施参数为1.0，选用的核函数为linear。
22.进一步地，所述方法还包括对第一神经网络、第二神经网络及支持向量机进行训练，训练时：
23.首先整体训练由第一神经网络、第二神经网络组成的并联神经网络模型，然后利用并联神经网络的输出训练支持向量机；或，
24.先分别单独训练第一神经网络和第二神经网络，然后将训练好的第一神经网络和第二神经网络迁移到由第一神经网络、第二神经网络和支持向量机组成的整体模型中，仅训练支持向量机。
25.第二方面，提供一种基于时频图和星座图融合的调制识别系统，根据本发明任一所述的基于时频图和星座图融合的调制识别方法识别调制信号，包括：
26.信号接收单元，其配置为接收调制信号；
27.时频转换单元，其配置为利用第一变换对调制信号进行时频转换，得到时频图；
28.星座图获取单元，其配置为将调制信号进行下变频，通过聚类处理得到星座图；
29.图像特征提取单元，其配置为将时频图送入第一神经网络，提取时频图特征，将星座图送入第二神经网络，提取星座图特征；
30.特征融合单元，其配置为将时频图特征与星座图特征进行融合得到融合特征；
31.分类输出单元，其配置为将融合特征送入支持向量机进行分类，输出识别结果。
32.本发明针对时频分布的图像特征对频率信息更敏感，且能识别模拟信号，对相移键控和正交幅度调制类信号识别率低；而星座图特征对相位和幅度信息较为敏感，但却无法识别fsk和模拟信号的问题。首先接收信号的时频图和星座图，并通过卷积神经网络提取图像特征，最后将两类特征进行融合，并利用支撑向量机进行分类。通过实验结果验证，在0db左右的条件下，采用特征融合的方法能有效地识别模拟调制与数字调制信号，相比单一图像特征，平均识别率提高10％～30％。
附图说明
33.图1为本发明实施例中基于时频图和星座图融合的调制识别方法的流程图；
34.图2为本发明实施例中不同信号spwvd变换后的时频图；
35.图3为聚类处理示意图；
36.图4为聚类前后的对比图；
37.图5为本发明实施例中不同信号的星座图；
38.图6为本发明实施例用于图像特征提取的卷积神经网络的结构图；
39.图7为本发明实施例中第一至第三模块的结构图；
40.图8为本发明的特征融合神经网络模型结构图；
41.图9为本发明的图片处理示意图；
42.图10为本发明的实施例中融合前后识别效果的对比图；
43.图11为本发明的实施例中迁移学习的原理图；
44.图12为本发明的实施例采用迁移学习前后的训练时间与消耗内存；
45.图13为本发明的实施例采用迁移学习的识别率；
46.图14为本发明实施例中基于时频图和星座图融合的调制识别系统的框图。
具体实施方式
47.下面结合实施例和说明书附图对本发明作进一步的说明。
48.通信系统数字调制信号的数学模型可表示为：
[0049][0050]
其中，sm(t)表示调制信号，am(t)表示基带信号，g(t)表示基带成型滤波，fc为载波频率，n(t)为高斯白噪声，t表示时间。
[0051]
对信号进行调制时，可采用mpsk、mfsk、mqam、mask、am、fm等技术。
[0052]
mpsk(多进制频移健控)是一种依据信号数据控制载波相位的数字调制技术，其调制信号可表示为：
[0053][0054]
其中m＝1、2
…
m。
[0055]
mfsk(多频移健控)是一种依据信号数据控制载波频率的数字调制技术，其调制信号可表示为：
[0056][0057]
其中fm＝(2m-1-m)δf。
[0058]
mqam(多进制正交幅度调制)是一种调幅调相的技术，其调制信号可表示为：
[0059][0060]
其中
[0061]
mask(多进制频移键控)，其调制信号可表示为：
[0062][0063]
其中am＝0,1...m-1，上述提到的m均表示进制数。
[0064]
am(调幅)是使载波的振幅按照传送信号的变化规律而变化的调制方式，包括普通调幅、双边带调幅、单边带调幅、残留边带调幅，单边带调幅(ssb)可表示为：
[0065][0066]
其中m(t)为调制信号，ωc为载频。
[0067]
fm(调频)用载波的频率来承载信号信息，可表示为：
[0068][0069]
其中kf为调频灵敏度，a为幅度，m(t)为调制信号。
[0070]
第一方面，本发明的实施例中提供了一种基于时频图和星座图融合的调制识别方法，图1示出了本发明的实施例中该方法的流程图。结合图1所示，该方法包括以下步骤：
[0071]
步骤s100：接收调制信号。本发明实施例中的方法中，可以接收来自不同信噪比下高斯信道的调制信号。例如在本发明的一个示例中，包括了bpsk、qpsk、16qam、32qam、2ask、4ask、2fsk、4fsk、am-ssb、fm等十种调制信号，信号的载频为10khz，采样率为40khz，信号长度为512。
[0072]
步骤s200：利用第一变换对调制信号进行时频转换，得到时频图。在本发明的实施例中，第一变换可以为平滑伪魏格纳威利分布、小波变化、快速傅里叶变换或gabor变换。
[0073]
在本发明的一个优选的示例中，选用平滑伪魏格纳威利分布来进行视频转换。魏格纳威利分布(wigner-viller，wvd)作为cohen类双线性时频分布中最基本一种，对于某个确定性时间连续信号x(t)的wvd定义为:
[0074][0075]
其中，v表示角频率，x表示时域信号，τ表示时间差。
[0076]
该变换可以看作是把过去特定时刻的信号与未来特定时刻的信号相乘，并对时间差τ求傅里叶变换。此类变换能有效地提取数字信号的幅度、频率等调制信息，可用于信号的调制识别中。其不足是不能保证非负性，会产生严重的交叉项干扰，模糊信号的原始特征。
[0077]
伪wigner-ville分布(pseudo wvd,pwvd)是对基本的wvd进行加窗处理,其分布定义式为：
[0078][0079]
其中，h(t)是常规窗口。加窗的结果，在某种程度上压缩了多分量信号的交叉项但同时破坏了wvd的一些边缘特性。为了实现能量分布为正值性的特点,可通过把wvd与平滑函数进行卷积,从而得到平滑伪wigner-ville分布(smooth pseudo wvd,spwvd),其分布定义式为：
[0080][0081]
其中，g()、h()表示窗函数
[0082]
spwvd分布具有较佳的消交叉项效果，其时频特性和聚集性能也均保持较好。本发明的示例中采用spwvd作为时频分析的估计，并通过matalb的tftb工具箱得到信号的时频图，不同调制信号的时频图如图2所示。
[0083]
步骤s300：将调制信号进行下变频，通过聚类处理得到星座图。利用复平面对数字信号进行表示，这种表示方法就称为星座图。得到星座图的方法为，信号通过低通滤波，然后进行希尔伯特变换；或估计信号载频，将信号进行希尔伯特变换，乘以复载波。得到基带复信号后，为增强星座图的特征，还需进行聚类处理，如图3所示，具体步骤为：
[0084]
步骤s310：确定搜索矩阵的大小；
[0085]
步骤s320：遍历星座图上的每一个点；
[0086]
步骤s330：计算以改点为中心的搜索矩阵内的点数量，从而得到该点范围内的密度；
[0087]
步骤s340：根据密度对该点上色，密度越大的点颜色越深；例如图3中虚线圈出的点。
[0088]
聚类处理前后的对比如图4所示，聚类处理后不同调制信号的星座图如图5所示。
[0089]
步骤s400：将时频图送入第一神经网络，提取时频图特征，将星座图送入第二神经网络，提取星座图特征。在本发明的实施例中，采用了卷积神经网络进行信号特征提取。在本发明的优选示例中，第一神经网络是一个卷积神经网络，如图6所示，该卷积神经网络包括依次设置的第一卷积层、第一最大池化层、第一模块、第二模块、第三模块、第二卷积层和全局池化层，经过全局池化层后得到1
×
1024的图像特征向量。
[0090]
在本发明的实施例中，第一模块、第二模块、第三模块均采用的是shufflenet网络的基本模块，如图7所示，为shufflenetv2的两个基本模块，dwconv代表深度卷积，gconv代表组卷积。对于该模块，第一，引入了新运算：channel split，即在初始阶段将输入特征图分成两个通道分支，解决了网络碎片化问题。第二，通道左边分支做同等映射，右边的分支包含3个连续的卷积，保证输入输出的通道数相同，解决最小化内存访问的问题。第三，v2两个1x1卷积不再是组卷积，解决了数据包过多和mac增加的问题。第四，两个分支的输出不再采用add，而是通过合并减少元素级运算。
[0091]
本实施例中所构建的神经网络，池化层全部使用最大池化，避免平均池化的模糊化效果。
[0092]
优选的示例中，第二神经网络与第一神经网络一致，就不再赘述。
[0093]
说明的是，对于步骤s200～s400，在其他实施例中，并不局限于上述顺序，可以先进行s300，再进行s200。
[0094]
步骤s500：将时频图特征与星座图特征进行融合得到融合特征。在本发明的实施例中，时频图特征表示为1
×
1024图像特征向量，星座图特征表示为1
×
1024图像特征向量，将两个1
×
1024图像特征向量进行融合，得到1
×
2048的融合特征向量，特征提取及融合流程如图8所示。
[0095]
步骤s600：将融合特征送入支持向量机，输出识别结果。在本发明的优选实施例中，将融合特征送入支持向量机中，其中支持向量机的惩罚参数为1.0，核函数为“linear”，将融合后的特征向量输入支持向量机得到分类的输出，即可识别出调制信心的类型。
[0096]
在训练时，为了进一步提升模型的泛化能力，将对特征图像进行形态学处理后再输入模型，处理方法包括随机切片和处理随机水平旋转。图9为图片处理前后的变化。
[0097]
为了验证本发明实施例中的方法的有效性，对特征融合前利用时频图或星座图进行分类和融合后的效果进行了仿真对比，结果如图10所示，相比单一图像特征的方法，特征
融合后平均识别率可提高10％～30％，可以看出，利用本法发明所提出的方法，可以有效的扩展信号的识别范围，提高信号的识别率。
[0098]
进一步说明的是，在利用模型进行特征提取与识别等操作时，必须对卷积神经网络和支持向量机进行训练，在本发明的实施例中，可以按照如下的方式进行训练。首先可以采用整体训练的形式，即将第一神经网络和第二神经网络组成一个并联神经网络进行训练，然后利用并联神经网络的输出训练支持向量机。训练卷积神经网络时，采用交叉熵函数计算损失，利用adam优化器更新参数。该算法利用梯度的一阶矩和二阶矩估计调整参数的学习率。其更新算法可表示为：
[0099]gt
＝
▽
θft
(θ
t-1
)
[0100]mt
＝β1*m
t-1
+(1-β1)*g
t
[0101]nt
＝β2*n
t-1
+(1-β2)*g
t2
[0102][0103][0104][0105]
其中g
t
为时间步为t时的梯度，θ为要更新的参数，f(θ)随机目标函数，β1、β2分别为一阶矩和二阶矩的指数衰减率，m
t
为梯度的一阶矩估计，n
t
为梯度的二阶矩估计，为校准后的参数，α学习率，ε是为保持数值稳定性添加的常数。该算法的运用优势在于经偏置校正后，每一次迭代时通过限制学习率的范围，保证参数的平稳性。此外，并联的神经网络模型在更新参数时会对同步更新两个神经网络模型的权值与阈值。
[0106]
支持向量机训练的目标函数为：
[0107][0108]
0≤αi≤c
[0109][0110]
其中y表示类标记，也就是真实输出，α是通过对偶问题求得，c为惩罚参数，c越小分类越细，但容易出现过拟合现象，c越大，模型泛化能力越好，但容易准确率会降低。如下是svm收敛的条件：
[0111][0112]
当0＜αi＜c时表示模型在分割平面上，为支持向量，此时，训练停止。同时采用序列最小优化算法对参数进行优化更新，该算法每次选取两个参数作为优化对象，其他视作常数。求得最终的α
*
后，计算w、b的值：
[0113]
[0114][0115]
此外。还可以采用迁移学习的方法，不仅能节约大量的训练时间，且能提高少样本时的识别率。如图11所示，具体的是将识别单一图像的两个神经网络模型，移植到整体的网络模型中，也就是说，先将第一神经网络和第二神经网络利用单一的图像提前进行训练，然后将训练好的第一神经网络和第二神经网络移植到本发明中由第一神经网络、第二神经网络和支持向量机组成的整体模型中，然后在整体模型的训练时，仅训练支持向量机。
[0116]
如图12为迁移学习前后的训练时间与消耗，通常情况下本算法中的并联模型训练10次后接近收敛，假设训练一轮的平均用时为t1，分类器只需训练一次，用时为t2。因此迁移前总的训练时间t＝t1*10+t2，消耗内存的计算同理。根据图中数据可知迁移后的训练时间约为迁移前9.6％，消耗内存约为迁移前的7.3％。
[0117]
如图13为模型迁移的训练方法与其他方法的识别率对比，从图中可以看出，基于模型迁移的训练方法，其性能比图片裁剪优化后的模型略低，与优化前的融合模型性能相当。这足以证明采用模型迁移的训练方法，在大幅降低训练时间，提高实时性的同时，又能保持较高的识别率，具有很强的实用意义。
[0118]
第二方面，本发明提供一种基于时频图和星座图融合的调制识别系统，根据本发明所提出的基于时频图和星座图融合的调制识别方法识别调制信号，如图14所示，该系统包括：
[0119]
信号接收单元，其配置为接收调制信号；
[0120]
时频转换单元，其配置为利用第一变换对调制信号进行时频转换，得到时频图；
[0121]
星座图获取单元，其配置为将调制信号进行下变频，通过聚类处理得到星座图；
[0122]
图像特征提取单元，其配置为将时频图送入第一神经网络，提取时频图特征，将星座图送入第二神经网络，提取星座图特征；
[0123]
特征融合单元，其配置为将时频图特征与星座图特征进行融合得到融合特征；
[0124]
分类输出单元，其配置为将融合特征送入支持向量机进行分类，输出识别结果。
[0125]
对于上述功能模块的具体功能实现，于本发明的实施例中所提供的基于时频图和星座图融合的调制识别方法的相应步骤对应，此处就不再重复说明。
[0126]
上述实施例仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和等同替换，这些对本发明权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。